友情提示：本文共有 5306 个字，阅读大概需要 11 分钟。
鱼羊 编译整理量子位 出品 | 公众号 QbitAI
如果你是科研狗，一定有过被摘要支配的恐惧。
如果你想在浩如烟海的互联网信息里寻找重点，一定想要快速排除多余的内容。
基于机器学习的自动文本摘要工具，将一键解放你的双手，化身抓重点小能手，为你捕捉关键，排除冗余。
近日，有位叫Alfrick Opidi的小哥在入门级深度学习云平台FloydHub 上写了一篇关于自动文本摘要的入门教程，量子位对其进行了编译，希望能帮助大家理解。
自动文本摘要属于自然语言处理（NLP）的范畴，通常用机器学习算法来实现，目前实现的方法主要有两种：
抽取式
就像一支荧光笔，抽取式文本摘要就是给原始文本中的重点单词标上高亮，再将其加以组合形成摘要。
概要式
概要式文本摘要更接近于人类的思维——通过深度学习对原始文本进行释义并提炼主旨，而后形成摘要。相比于抽取式，概要式文本摘要更像在说人话。
很显然概要式的表现会比抽取式更好，然而这种算法需要复杂的深度学习技术和语言模型支撑，还面临这诸如自然语言生成这样的NLP问题。
因此抽取式方法仍然广泛流行。
鉴于本文是一篇入门指南，接下来提到的内容都是基于抽取式方法来实现的。
文本摘要基础步骤
文本摘要是如何实现的呢？
举个例子，用文本摘要机器学习算法来对下面这段文字进行处理：
夜里志明和春娇乘坐出租车去城里聚会。聚会上春娇晕倒并被送进了医院。她被诊断出患有脑损伤，医生告诉志明要一直陪着她直到她好起来。因此，志明待在医院整整陪了她三天。
第一步：把段落转成句子
首先要做的是分割段落。
夜里志明和春娇乘坐出租车去城里聚会聚会上春娇晕倒并被送进了医院她被诊断出患有脑损伤，医生告诉志明要一直陪着她直到她好起来因此，志明待在医院整整陪了她三天第二步：文本处理
接下来，删掉没什么意义的连接词、数字、标点。
就像这样：
夜里志明春娇乘坐出租车去城里聚会聚会春娇晕倒送医院诊断脑损伤医生告诉志明陪着好起来志明待在医院天第三步：标注
然后，对句子进行标记，获得句子中的所有单词：
[‘志明’，‘春娇’，‘乘坐’，‘出租车’，‘去’，‘夜里’，‘聚会’，‘城里‘，‘聚会’，‘春娇’，‘晕倒’，‘医院’，‘诊断’，‘脑’，‘损伤’，‘医生’，‘告诉’，‘志明’，‘陪’，‘好起来’，‘志明’，‘待’，‘医院’，‘天’]
第四步：评估单词的加权出现频率
现在就可以计算单词们的加权出现频率了。
计算公式是：单词加权出现频率 = 单词出现次数 / 段落中最常用单词出现次数
第五步：用加权频率替换单词
把句子中的每个单词都替换成加权频率，就可以计算这个句子的权重。比如在志明和春娇这个例子当中，第一句在整个段落中的权重是最大的，那么它就将构成摘要的主体部分。
以上是机器学习实现文本摘要的基本步骤，下面我们来看看如何在真实世界中构建摘要生成器。
亲手构建摘要生成器
使用Python的NLTK工具包，我们可以亲自动手创造一个文本摘要生成器，实现对Web文章的摘要生成。
来看看代码蓝图：
1# Creating a dictionary for the word frequency table2frequency_table = _create_dictionary_table(article) 3 4# Tokenizing the sentences 5sentences = sent_tokenize(article) 6 7# Algorithm for scoring a sentence by its words 8sentence_scores = _calculate_sentence_scores(sentences, frequency_table) 910# Getting the threshold11threshold = _calculate_average_score(sentence_scores)1213# Producing the summary14article_summary = _get_article_summary(sentences, sentence_scores, 1.5 * threshold)1516print(article_summary)
第一步：准备数据
这里使用了Beautiful Soup库。
1import bs4 as BeautifulSoup
2import urllib.request 3 4# Fetching the content from the URL 5fetched_data = urllib.request.urlopen("https://en.wikipedia.org/wiki/20th_century") 6 7article_read = fetched_data.read() 8 9# Parsing the URL content and storing in a variable10article_parsed = BeautifulSoup.BeautifulSoup(article_read,"html.parser")1112# Returning
tags13paragraphs = article_parsed.find_all("p")1415article_content = ""1617# Looping through the paragraphs and adding them to the variable18for p in paragraphs: 19 article_content += p.text
使用urllib.request实现网页数据的抓取，再调用BeautifulSoup来解析网页数据。
第二步：数据处理
为确保抓取到的文本数据尽可能没有噪音，需要做一些基本的文本清理。这里使用了NLTK的stopwords和PorterStemmer。
PorterStemmer可以将单词还原为词根形式，就是说能把 cleaning, cleaned, cleaner 都还原成 clean。
此外还要创建一个字典，来存储文本中每一个单词的出现频率。循环整个文本来消除 “a”、“the” 这样的停止词，并记录单词们的出现频率。
1from nltk.corpus import stopwords2from nltk.stem import PorterStemmer 3def _create_dictionary_table(text_string) -> dict: 4 5 # Removing stop words 6 stop_words = set(stopwords.words("english")) 7 8 words = word_tokenize(text_string) 910 # Reducing words to their root form11 stem = PorterStemmer()1213 # Creating dictionary for the word frequency table14 frequency_table = dict()15 for wd in words:16 wd = stem.stem(wd)17 if wd in stop_words:18 continue19 if wd in frequency_table:20 frequency_table[wd] += 121 else:22 frequency_table[wd] = 12324 return frequency_table
第三步：将文章标注成句子
1from nltk.tokenize import word_tokenize, sent_tokenize23sentences = sent_tokenize(article)
第四步：计算句子的权重
句子的权重取决于它包含的单词的出现频率。
1def _calculate_sentence_scores(sentences, frequency_table) -> dict:
23 # Algorithm for scoring a sentence by its words 4 sentence_weight = dict() 5 6 for sentence in sentences: 7 sentence_wordcount = (len(word_tokenize(sentence))) 8 sentence_wordcount_without_stop_words = 0 9 for word_weight in frequency_table:10 if word_weight in sentence.lower():11 sentence_wordcount_without_stop_words += 112 if sentence[:7] in sentence_weight:13 sentence_weight[sentence[:7]] += frequency_table[word_weight]14 else:15 sentence_weight[sentence[:7]] = frequency_table[word_weight]1617 sentence_weight[sentence[:7]] = sentence_weight[sentence[:7]] / sentence_wordcount_without_stop_words1819 return sentence_weight
需要注意的是，长句有可能得到不必要的高分，为了避免这一点，要将句子的总分数除以该句的单词数。
第五步：计算句子的阈值
为了进一步优化结果，要计算句子的平均分数。使用此阈值，可以避免分数较低的句子的干扰。
1def _calculate_average_score(sentence_weight) -> int:
23 # Calculating the average score for the sentences 4 sum_values = 0 5 for entry in sentence_weight: 6 sum_values += sentence_weight[entry] 7 8 # Getting sentence average value from source text 9 average_score = (sum_values / len(sentence_weight))1011 return average_score
如果感兴趣，FloydHub提供了进行深度学习模型训练的环境，你可以在FloydHub Notebook上运行整个代码。
还可以更上档次
以上只是机器学习中文本摘要算法的入门小知识，想要达到更上档次的效果，甚至可以把抽取式方法和概要式方法结合起来。
△ 图片来自Taming Recurrent Neural Networks for Better Summarization
传送门
如果还想更深入地了解机器学习中的文本摘要，不妨看看以下资源。
WikiHow，一个大规模、高质量的文本摘要数据集：https://www.wikihow.com/Main-Page
WikiHow食用指南：https://arxiv.org/pdf/1810.09305.pdf
用指针生成网络（Pointer-Generator Networks）实现文本摘要：https://arxiv.org/pdf/1704.04368.pdfhttp://www.abigailsee.com/2017/04/16/taming-rnns-for-better-summarization.html
如何在文本摘要中使用基于预训练的编码器-解码器框架：https://arxiv.org/pdf/1902.09243.pdf
原文链接：https://blog.floydhub.com/gentle-introduction-to-text-summarization-in-machine-learning/
— 完—
本文如果对你有帮助，请点赞收藏《变身抓重点小能手：机器学习中的文本摘要入门指南 ｜ 资源》，同时在此感谢原作者。
